Ruteo Inteligente para Viajes en Vehículos Eléctricos
Este estudio optimiza las rutas de vehículos eléctricos usando información en tiempo real sobre estaciones de carga.
― 6 minilectura
Tabla de contenidos
Los vehículos eléctricos (VE) están ganando popularidad por sus beneficios para el medio ambiente. Sin embargo, los viajes largos pueden ser un reto porque las VEs a menudo necesitan parar a recargar. Nuestro estudio examina cómo planear la mejor ruta para que un VE llegue a su destino rápido, teniendo en cuenta dónde están las Estaciones de carga (EC) y cuán ocupadas pueden estar.
El Problema
Cuando un VE necesita viajar una larga distancia, puede que no tenga suficiente batería para llegar a su destino. Para solucionarlo, los conductores a menudo necesitan planear paradas en las estaciones de carga en el camino. Sin embargo, las estaciones de carga pueden estar llenas. Esto significa que un conductor podría tener que esperar para cargar su vehículo, lo que puede añadir tiempo al viaje.
Muchos factores complican este problema. Primero, los tiempos exactos de carga en cada estación pueden ser inciertos porque dependen de cuántos otros autos están allí y qué tan rápido pueden cargar. Nos enfocamos en cómo encontrar la mejor ruta considerando también información de ocupación en tiempo real. Esta información le dice al conductor si una estación de carga está ocupada o libre antes de que llegue, ayudándolo a tomar mejores decisiones sobre dónde parar.
Nuestro Enfoque
Abordamos este problema como una serie de pasos. Primero, reunimos Actualizaciones en tiempo real sobre el estado de todas las estaciones de carga. Cada vez que un conductor recibe estas actualizaciones, puede ajustar su ruta. Nuestro estudio implica crear un plan sobre dónde debe parar el VE y cuánto energía debe cargar en cada estación.
Actualizaciones en Tiempo Real: Los conductores reciben actualizaciones sobre la ocupación de las estaciones de carga a través de un sistema binario. Esto significa que reciben un simple sí o no sobre si la estación está ocupada.
Determinando la Mejor Ruta: Cuando un conductor recibe una actualización, puede decidir qué estación de carga visitar y cuánto energía cargar. Esto ayuda a evitar largas esperas.
Optimizando el Tiempo de Carga: El tiempo que se tarda en cargar varía según el tipo de estación de carga. Tuvimos esto en cuenta al planear las paradas.
Componentes Clave
1. Proceso de Decisión de Markov (PDM)
Tratamos nuestro problema usando un Proceso de Decisión de Markov, que ayuda a tomar decisiones basadas en el estado actual del sistema. Cada estado reporta el nivel de batería, la ubicación actual y si el VE está esperando o cargando. El objetivo es minimizar la duración total del viaje, que incluye tiempos de manejo, espera y carga.
2. Estimando Tiempos de espera
Para planear la ruta de manera efectiva, necesitábamos estimar los tiempos de espera en cada estación de carga. Desarrollamos dos métodos para lograr esto:
Estimación Basada en Simulación: Simulamos una variedad de escenarios para predecir cuánto tiempo podría tener que esperar un auto en una estación de carga según cuán llena esté la cola al momento de llegada.
Método Heurístico: Creamos una heurística para proporcionar tiempos de espera aproximados, ayudando a anticipar posibles retrasos.
3. Optimizando la Estrategia de Carga
Después de estimar los tiempos de espera, convertimos esta información en un plan de ruta, determinando qué estaciones de carga visitar y cuánto cargar en cada parada.
Estudio Computacional
Realizamos un estudio exhaustivo para ver qué tan efectiva es nuestra estrategia. Creamos varios escenarios con diferentes tecnologías de carga, ubicaciones de estaciones de carga y tráfico esperado. De esta manera, pudimos analizar cómo nuestro método de enrutamiento se comparó con los métodos tradicionales que no usan información de ocupación.
Criterios de Rendimiento
Medimos el rendimiento basado en:
- Duración total del viaje
- Tiempos de espera en estaciones de carga
- Número de paradas de carga realizadas
- Eficiencia de la ruta tomada
Comparamos nuestro método con un estándar que no consideró la información de ocupación en tiempo real.
Resultados
Los resultados mostraron que nuestro método redujo significativamente los tiempos de espera y las duraciones de viaje. En promedio, funcionó mejor que el estándar en casi todos los escenarios. Aquí están los hallazgos clave:
Reducción de Tiempos de Espera: Nuestro enfoque redujo los tiempos de espera en estaciones de carga en un margen considerable. La reducción precisa varió según el escenario, pero promedió entre 23.7% y 95.4%.
Duraciones de Viaje Más Cortas: La duración total del viaje disminuyó entre 1.4% y 18.5%, dependiendo de las circunstancias específicas.
Aumento de Paradas de Carga: Aunque nuestro método a veces llevó a más paradas de carga, esto se compensó con los tiempos de espera reducidos.
Mayor Flexibilidad: La capacidad de cambiar planes según actualizaciones en tiempo real permitió a los conductores tomar mejores decisiones de enrutamiento, resultando en menos tiempo parado.
Conclusión
En resumen, nuestro estudio revela que la información de ocupación en tiempo real puede mejorar mucho el enrutamiento de los vehículos eléctricos en viajes largos. Al utilizar esta información de manera efectiva, los conductores de VEs pueden minimizar significativamente los tiempos de espera y las duraciones totales de los viajes, haciendo que los vehículos eléctricos sean una opción más viable para viajes largos.
En el futuro, sugerimos investigar más sobre cómo agrupar estaciones de carga en clústeres, lo que podría agilizar aún más el proceso de enrutamiento. Además, expandir nuestro modelo para manejar múltiples colas de servidores podría proporcionar estimaciones aún más precisas sobre los tiempos de espera.
Este trabajo demuestra el potencial de la tecnología para optimizar el viaje en vehículos eléctricos, mejorando la experiencia de los conductores y fomentando la adopción de opciones de transporte sostenible.
Direcciones Futuras
A medida que la tecnología detrás de los vehículos eléctricos y las estaciones de carga sigue evolucionando, los siguientes pasos podrían incluir:
- Actualizaciones Automatizadas: Mejorar la frecuencia y precisión de las actualizaciones en tiempo real para ofrecer opciones de enrutamiento aún mejores.
- Integración con Infraestructura de Ciudades Inteligentes: Vincular los datos de estaciones de carga a redes de transporte más amplias para mejorar la gestión del tráfico en general.
- Aplicaciones Amigables para el Usuario: Desarrollar aplicaciones fáciles de usar que puedan proporcionar a los conductores la información que necesitan para tomar decisiones informadas en el camino.
Este progreso continuo será vital para superar los desafíos que enfrentan los vehículos eléctricos y asegurar su integración exitosa en el transporte cotidiano.
Título: Dynamic Routing for the Electric Vehicle Shortest Path Problem with Charging Station Occupancy Information
Resumen: We study EVs traveling from origin to destination in the shortest time, focusing on long-distance settings with energy requirements exceeding EV autonomy. The EV may charge its battery at public Charging Stations (CSs), which are subject to uncertain waiting times. We model CSs using appropriately defined queues, whose status is revealed upon the EV arrival. However, we consider the availability of real-time binary Occupancy Indicator (OI) information, signaling if a CS is busy or not. At each OI update, we determine the sequence of CSs to visit along with associated charging quantities. We name the resulting problem the Electric Vehicle Shortest Path Problem with charging station Occupancy Indicator information (EVSPP-OI). In this problem, we consider that the EV is allowed to partially charge its battery, and we model charging times via piecewise linear charging functions that depend on the CS technology. We propose an MDP formulation for the EVSPP-OI and develop a reoptimization algorithm that establishes the sequence of CS visits and charging amounts based on system updates. Specifically, we propose a simulation-based approach to estimate the waiting time of the EV at a CS as a function of its arrival time. As the path to a CS may consist of multiple intermediate CS stops, estimating the arrival times at each CS is fairly intricate. To this end, we propose an efficient heuristic that yields approximate lower bounds on the arrival time of the EV at each CS. We use these estimations to define a deterministic EVSPP, which we solve with an existing algorithm. We conduct a comprehensive computational study and compare the performance of our methodology with a benchmark that observes the status of CSs only upon arrival. Results show that our method reduces waiting times and total trip duration by an average of 23.7%-95.4% and 1.4%-18.5%, respectively.
Autores: Mohsen Dastpak, Fausto Errico, Ola Jabali, Federico Malucelli
Última actualización: 2023-05-19 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2305.11773
Fuente PDF: https://arxiv.org/pdf/2305.11773
Licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.